盲源分离即为在未知源信号及混合信道信息的条件下,只凭观测信号而得到源信号的恢复,在多领域有所应用。线性瞬时混合及卷积混合是学者研究的重点,因声音传播中存在时延和衰减,卷积混合更贴近生活中情形,研究意义更大。卷积混合信号的分离可在时域或频域中完成,因时域方法含复杂的卷积运算且计算量较大,本文主要研究频域方法。卷积混合信号在频域下分离所用优化算法主要为牛顿定点迭代或梯度算法,均易受分离矩阵迭代初值影响,且梯度算法受步长取值影响,设置不当易偏离最优解。为此,本文将优化特性良好的群智能算法引入解混过程,免于分离矩阵初值及步长的设置,收敛效果更佳。经时频转换,卷积混合化为复值线性瞬时混合,除顺序和比例模糊性,复数域还存在相位模糊性,通信信号处理中需考虑此问题,为此提出两种方法。第一种方法引入实Givens矩阵有序提取出信号的实部与虚部,然后以蝙蝠算法搜索旋转角度最优解,在源信号实部与虚部彼此独立的前提下,可同时恢复源信号及相位信息。第二种方法通过角度旋转后处理以消除相位模糊性。经实验测试,所提算法在保证分离精度的基础上可有效解决相位模糊问题。频域下语音卷积混合信号的实部与虚部并不独立,且不需考虑相位模糊问题。为完成卷积混合的分离,提出以复Givens矩阵构造各频段分离矩阵的方法,在保证正交性约束的前提下降低了参量数目。然后以蝙蝠算法优化旋转角度,在消除顺序及比例模糊性后,经ISTFT得时域信号。经实验测试,所提算法可完成卷积混合的分离,且相较其它算法,提升了分离性能。针对独立矢量分析(IVA)算法因采用梯度算法而易受分离矩阵初值影响的不足,提出了对分离矩阵初值寻优的频域卷积解混方法。以复Givens矩阵构成分离矩阵初值,代入IVA算法求解,并以各频段所得信号的互信息为适应度函数,以蝙蝠算法搜索最优解。经实验测试,所提算法在避免顺序模糊问题的基础上提升了IVA算法的精度。